数据采集通俗点来说就是通过爬虫代码访问目标网站的API链接获取有用的信息。爬虫程序就是模拟人工从网页中获取需要的信息,并自动保存在文档里面,应用十分广泛。例如图片、视频、文件、小说等等。前提是不能干违法的业务。
在互联网大数据时代中,网络爬虫主要是为搜索引擎提供最全面和最新的数据,网络爬虫也是从互联网上采集数据的爬虫程序。
我们也可以通过网络爬虫采集舆情数据,可以采集新闻,社交,论坛,博客等信息数据。这也是常见的舆情数据获取的方案之一。一般就是通过爬虫程序使用爬虫爬虫ip对一些有意义的网站进行数据采集。舆情数据也可以通过在数据交易市场去购买,或者找那些专业的舆情分析团队去获取,但是一般来说说,专业的舆情分析团队,也都是通过爬虫程序使用爬虫ip去采集的相关数据,从而进行舆情数据分析。
由于短视频的火爆,抖音,快手这两个主流短视频APP,我们也可以通过爬虫程序采集抖音,快手进行舆情数据分析。将统计的数据生成表格,提供给大家作为数据报告,也可以参考以下采集方案代码:
// 要访问的目标页面标签:string,ip,request,爬虫,舆情,监控,Proxy From: https://blog.51cto.com/u_13488918/5920646
string targetUrl = "http://httpbin.org/ip";
// 爬虫ip服务器( jshk.com.cn )
string proxyHost = "http://jshk.com.cn/mb/";
string proxyPort = "31111";
// 爬虫ip验证信息
string proxyUser = "username";
string proxyPass = "password";
// 设置爬虫ip服务器
WebProxy proxy = new WebProxy(string.Format("{0}:{1}", proxyHost, proxyPort), true);
ServicePointManager.Expect100Continue = false;
var request = WebRequest.Create(targetUrl) as HttpWebRequest;
request.AllowAutoRedirect = true;
request.KeepAlive = true;
request.Method = "GET";
request.Proxy = proxy;
//request.Proxy.Credentials = CredentialCache.DefaultCredentials;
request.Proxy.Credentials = new System.Net.NetworkCredential(proxyUser, proxyPass);
// 设置Proxy Tunnel
// Random ran=new Random();
// int tunnel =ran.Next(1,10000);
// request.Headers.Add("Proxy-Tunnel", String.valueOf(tunnel));
//request.Timeout = 20000;
//request.ServicePoint.ConnectionLimit = 512;
//request.UserAgent = "Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.82 Safari/537.36";
//request.Headers.Add("Cache-Control", "max-age=0");
//request.Headers.Add("DNT", "1");
//String encoded = System.Convert.ToBase64String(System.Text.Encoding.GetEncoding("ISO-8859-1").GetBytes(proxyUser + ":" + proxyPass));
//request.Headers.Add("Proxy-Authorization", "Basic " + encoded);
using (var response = request.GetResponse() as HttpWebResponse)
using (var sr = new StreamReader(response.GetResponseStream(), Encoding.UTF8))
{
string htmlStr = sr.ReadToEnd();
}